Agent AI từ bản chất đến độc quyền: 12 điều doanh nghiệp nhỏ cần hiểu

AI không thay bạn làm việc chỉ vì bạn mua được “mô hình thông minh nhất”. Nó làm được việc khi bạn hiểu nó là gì, viết ra được điều mình biết, chia việc đủ nhỏ và nói rõ thế nào là xong. Bài này đi qua 12 khái niệm theo một mạch: nền tảng, cách xây, cách giao việc cho AI, và cuối cùng là cách để chính bạn trở nên khó thay thế.

Phần 1. Nền tảng

1. LLM là gì, và bản chất thật của nó

LLM (mô hình ngôn ngữ lớn) là thứ đứng sau ChatGPT, Claude hay Gemini. Theo bảng thuật ngữ của Anthropic, mô hình được huấn luyện trước hết để đoán phần chữ tiếp theo dựa trên những gì đứng trước, từ một khối văn bản khổng lồ. Bản thô lúc đó chưa giỏi trả lời câu hỏi. Sau đó nó được tinh chỉnh, trong đó có bước con người xếp hạng các câu trả lời mẫu, để cư xử như một trợ lý hữu ích.

Từ đó suy ra bốn đặc điểm mà ai dùng AI cũng nên nhớ:

Kiến thức bị “đóng băng”. Mô hình chỉ biết những gì có trong dữ liệu trước mốc huấn luyện. Muốn nó biết chuyện mới hoặc chuyện riêng của công ty bạn, phải đưa thông tin vào cho nó đọc.

Bàn làm việc có giới hạn. Thứ mô hình “nhìn thấy” lúc làm việc gọi là cửa sổ ngữ cảnh, Anthropic gọi đó là trí nhớ làm việc. Bàn càng đầy, khả năng nhớ chi tiết càng giảm, hiện tượng mà Anthropic mô tả là ngữ cảnh “mục dần”.

Mỗi phiên là một lần bắt đầu lại. Tài liệu của Claude Code nói rõ: mỗi phiên mới bắt đầu với ngữ cảnh trống, không mang theo lịch sử phiên trước. Anthropic ví agent qua nhiều phiên như kỹ sư làm theo ca, người ca sau không nhớ gì ca trước. Tính năng “AI nhớ tôi” thực chất là phần mềm bên ngoài lưu ghi chú rồi nạp lại, không phải mô hình tự học thêm.

Nó có thể sai một cách tự tin. Nhóm nghiên cứu của OpenAI giải thích rằng ảo giác (hallucination) không có gì bí ẩn: các bài kiểm tra thường cho điểm một câu đoán tự tin cao hơn câu “tôi không biết”, nên mô hình học cách đoán. Giống học sinh làm trắc nghiệm, bỏ trống thì chắc chắn không điểm.

Hình dung gọn: LLM là một nhân viên cực kỳ uyên bác, nhưng sáng nào đến công ty cũng quên sạch hôm qua, chỉ biết những gì đang nằm trên bàn.

2. Harness: phần “thân thể” quanh bộ não

Nếu LLM là bộ não, thì harness là mọi thứ bao quanh để bộ não đó làm được việc: công cụ, quyền hạn, sổ ghi nhớ, cách quản lý ngữ cảnh, vòng kiểm tra. Chữ “harness” nghĩa gốc là bộ yên cương: con ngựa khỏe đến đâu mà không có dây cương thì cũng vô dụng, thậm chí nguy hiểm.

Anthropic định nghĩa thẳng: Claude Code là lớp bao quanh mô hình, cung cấp công cụ và quản lý những gì mô hình nhìn thấy, và lớp đó chính là harness. LangChain tóm thành công thức Agent = Model + Harness, và liệt kê các bộ phận: hệ thống file để lưu trữ, khả năng chạy lệnh, môi trường cách ly an toàn, bộ nhớ và tìm kiếm, nén ngữ cảnh, lập kế hoạch và tự kiểm tra.

Điều đáng chú ý nhất: cùng một mô hình, đổi harness là đổi kết quả. LangChain cho biết họ đưa agent lập trình của mình từ khoảng hạng 30 lên top 5 trên một bảng xếp hạng chỉ bằng cách sửa harness, không đổi mô hình.

Một harness thực tế trông thế nào? Trong Claude Code có: các nhóm công cụ (đọc sửa file, tìm kiếm, chạy lệnh, truy cập web), file ghi nhớ được nạp lại mỗi phiên, tự động tóm tắt khi ngữ cảnh đầy, điểm lưu để hoàn tác thay đổi file, và các chế độ xin phép. Tài liệu cũng lưu ý: thao tác lên hệ thống bên ngoài như cơ sở dữ liệu hay API thì không hoàn tác được.

Bài học cho chủ doanh nghiệp: giá trị và rủi ro của AI phụ thuộc rất nhiều vào harness. Nó được cầm những “chìa khóa” nào, việc gì được tự làm, việc gì phải hỏi, và nó nhớ gì về doanh nghiệp bạn.

3. Agent khác AI chatbot ở đâu

Simon Willison đưa ra định nghĩa ngắn mà nhiều người dùng: agent là LLM chạy công cụ trong một vòng lặp để đạt mục tiêu. Chatbot nhận một câu và trả lời một câu. Agent nhận một mục tiêu, rồi tự lặp lại chu trình mà Claude Code mô tả là thu thập thông tin, hành động, kiểm tra kết quả cho đến khi xong hoặc bị dừng.

Anthropic còn tách thêm một khái niệm ở giữa. Workflow là hệ thống mà các bước đã được vạch sẵn, còn agent là hệ thống mà mô hình tự quyết bước tiếp theo.

	Chatbot	Workflow có AI	Agent
Đầu vào	Một câu hỏi	Một sự kiện kích hoạt	Một mục tiêu
Ai quyết các bước	Người dùng, từng lượt	Người thiết kế, từ trước	Mô hình, trong lúc chạy
Có tác động thật không	Không, chỉ trả lời bằng chữ	Có, theo bước cố định	Có, tự chọn công cụ
Ví dụ	“Viết giúp tôi email trả lời khách”	Mỗi form mới: AI phân loại, tạo phiếu trong CRM	“Xử lý các hóa đơn quá hạn tuần này”: tra CRM, soạn nhắc nợ, xin duyệt, gửi, ghi lại

Một cách nhớ: chatbot là người tư vấn qua điện thoại, chỉ bảo bạn nên làm gì. Agent là trợ lý được giao chìa khóa văn phòng, tự làm rồi báo lại. Chìa nào được giao, việc nào phải xin phép, là do harness quyết định.

Có một cách nói nên tránh: “agent là nhân viên số thay người”. Willison phản đối điều này vì AI không thể chịu trách nhiệm cho kết quả. Luôn cần một người đứng tên.

Phần 2. Xây dựng

4. Tự tạo Agent: năm ô cần điền

Dù bạn dùng Custom GPT, Claude Skills, Zapier Agents hay n8n, một agent luôn có cùng một bộ khung. Anthropic gọi viên gạch cơ bản là “LLM được tăng cường”: mô hình cộng thêm khả năng tra cứu, công cụ và trí nhớ. Có thể chia thành năm ô:

Vai trò và hướng dẫn. Đây chính là quy trình làm việc chuẩn (SOP) của bạn, viết bằng lời.

Công cụ. Chia rõ công cụ chỉ đọc (tra CRM, đọc file) và công cụ ghi (gửi email, sửa dữ liệu khách).

Kiến thức và trí nhớ. File tài liệu, dữ liệu khách hàng, ghi chú được nạp lại mỗi phiên.

Rào chắn và quyền hạn. Việc nào phải có người duyệt.

Điều kiện dừng. Anthropic khuyên ngoài “xong việc” thì nên đặt thêm giới hạn như số vòng lặp tối đa.

Các công cụ không cần lập trình chỉ khác nhau ở chỗ bạn điền năm ô này như thế nào. Với Zapier Agents, bạn mô tả bằng lời sự kiện kích hoạt, việc cần làm và các ứng dụng liên quan. Với n8n, node AI Agent bắt buộc gắn ít nhất một công cụ. Với Claude, một Skill là một thư mục chứa hướng dẫn, script và tài liệu, agent chỉ đọc toàn bộ khi cần, nên có thể chứa quy trình dài mà không làm nặng mọi cuộc trò chuyện. Anthropic cũng nhắc: chỉ cài skill từ nguồn tin cậy, vì skill độc hại có thể làm lộ dữ liệu.

Bài học quan trọng nhất là tách đọc và ghi. Ở Helpdesk Box, chúng tôi dùng agent Claude Code để quản lý CRM qua API với một luật đơn giản: agent được đọc thoải mái, nhưng phải hỏi trước mỗi lần ghi dữ liệu.

5. Cách tạo Workflow, và khi nào thì cần agent

Anthropic mô tả năm mẫu workflow phổ biến trong bài Building effective agents. Dịch sang tình huống văn phòng:

Nối chuỗi. Các bước cố định nối tiếp. Email khách gửi đến, AI trích thiết bị, lỗi, mức khẩn, soạn trả lời, kiểm tra giọng văn, nhân viên duyệt.

Phân luồng. Phân loại rồi chuyển đúng chỗ. Phiếu hỗ trợ được chia thành mất mạng, máy in, quên mật khẩu, hóa đơn, khách hỏi mua, mỗi loại một mẫu trả lời và một người phụ trách.

Chạy song song. Một yêu cầu báo giá: cùng lúc kiểm tồn kho, bảng giá, hợp đồng của khách, rồi gộp lại.

Điều phối. Một AI chính tự quyết các việc con khi chưa biết trước phải làm gì, ví dụ “rà soát mạng văn phòng khách hàng”.

Viết và chấm. Một bên soạn, một bên chấm theo tiêu chí, lặp đến khi đạt.

Lời khuyên nhất quán của Anthropic là bắt đầu bằng giải pháp đơn giản nhất, và chỉ tăng độ phức tạp khi thật cần. Agent tốn thời gian và chi phí hơn, và sai sót có thể cộng dồn qua từng bước.

Quy tắc dễ nhớ: nếu bạn vẽ được sơ đồ các bước lên giấy trước khi bắt đầu, hãy làm workflow, vì nó rẻ, ổn định và dễ kiểm tra. Nếu đường đi phụ thuộc vào những gì phát hiện giữa chừng, mới cân nhắc agent, kèm giới hạn số bước và điểm duyệt. Phần lớn việc của doanh nghiệp nhỏ là workflow có một hai bước cần AI phán đoán ở giữa.

Ví dụ thật: Helpdesk Box có một workflow trình bày blog cố định gồm lấy bản thảo, dựng bố cục chuẩn, tải ảnh lên, tạo bản nháp, rồi kiểm tra. Các bước không đổi, chỉ nội dung đổi.

6. Tacit Knowledge: thứ bạn biết mà chưa từng nói ra

Nhà triết học Michael Polanyi, trong cuốn The Tacit Dimension (1966), mở đầu bằng nhận xét rằng con người biết nhiều hơn những gì mình nói ra được. Bạn nhận ra một người quen giữa đám đông, nhưng khó giải thích mình nhận ra bằng cách nào. Đó là tri thức ngầm.

Ikujiro Nonaka sau đó mô tả quá trình biến tri thức ngầm thành tri thức viết ra được, gọi là ngoại hiện hóa, một trong bốn bước của mô hình SECI. Giữa người với người, tri thức ngầm còn truyền được qua việc đứng cạnh nhau mà làm. Với AI thì không có kênh đó: thứ gì chưa viết ra, với agent là không tồn tại.

Tài liệu Claude Code liệt kê đúng những thứ agent không tự tìm được: quyết định chốt trong một cuộc họp, quy trình chỉ nằm trong đầu một người. Lời khuyên tóm lại là hãy nói cho AI biết điều nó không nhìn thấy. Nhưng cũng nên ghi ngắn: mỗi dòng trong file ghi nhớ đều chiếm một chút sự chú ý của agent trong mọi việc. Ghi ít mà trúng, không phải viết thật dài.

Anthropic gợi ý coi AI như một nhân viên mới rất giỏi nhưng chưa biết nề nếp của công ty. Phép thử: đưa hướng dẫn cho một đồng nghiệp chưa biết gì về việc này. Họ bối rối thì AI cũng bối rối. Nếu chưa biết bắt đầu từ đâu, bạn có thể bảo AI phỏng vấn mình cho đến khi đủ thông tin để viết bản mô tả.

Ở Helpdesk Box, những điều người chủ “biết mà chưa nói” (thư mục nào để file, bài blog phải theo bố cục nào, việc gì phải hỏi trước) được ghi lại thành file ghi nhớ mà agent đọc ở đầu mỗi phiên. Với nhiều doanh nghiệp Việt, nơi quy trình thường “nằm trong đầu anh trưởng phòng”, viết SOP là việc đầu tiên trước khi đưa AI vào, và nó có lợi cho cả nhân viên mới.

Phần 3. Giao việc cho AI

7. DoD: nói rõ thế nào là “xong”

Definition of Done (DoD, định nghĩa hoàn thành) đến từ Scrum. Scrum Guide 2020 mô tả DoD là bản mô tả chính thức về trạng thái sản phẩm khi đạt chuẩn chất lượng; hạng mục chưa đạt DoD thì không được phát hành. DoD khác tiêu chí chấp nhận: DoD áp dụng cho mọi hạng mục, còn tiêu chí chấp nhận là riêng cho từng việc.

Với AI, DoD còn quan trọng hơn. Tài liệu Claude Code viết rất thẳng: AI dừng khi việc trông có vẻ xong. Nếu không có gì để kiểm tra, thì “trông có vẻ xong” là tất cả những gì nó dựa vào, và lúc đó chính bạn trở thành người đi kiểm tra. Lời khuyên là đưa cho AI thứ gì đó chạy được và trả về đạt hoặc không đạt, rồi đòi bằng chứng: một câu “đã kiểm tra xong” không nói lên nhiều điều.

Thí nghiệm agent chạy dài của Anthropic ghi lại đúng những lỗi này: agent cố làm quá nhiều một lúc, tuyên bố xong quá sớm, và đánh dấu tính năng chạy được dù chưa thử từ đầu đến cuối. Cách sửa của họ là một danh sách việc trong đó mọi mục ban đầu đều ghi “chưa đạt”, agent chỉ được đổi sau khi đã kiểm tra thật.

Có cả lỗi theo chiều ngược lại. Những câu kiểu “cố lên, đừng lười” với các mô hình hiện nay dễ gây làm quá tay hơn, và một AI được giao đi tìm lỗi thì kiểu gì cũng tìm ra một cái gì đó. DoD tốt chặn được cả hai, vì nó vạch rõ vạch đích.

Cách áp dụng: DoD chung ghi một lần vào SOP hoặc file ghi nhớ, tiêu chí riêng ghi trong từng lần giao việc. DoD cho mỗi bài blog của Helpdesk Box gồm: không tràn ngang trên điện thoại, chữ đủ tương phản để đọc, link bấm được, và báo rõ phần nào chưa kiểm tra được. Với một báo giá, DoD có thể là: đúng mẫu công ty, đủ mã sản phẩm, tổng tiền khớp bảng giá, có VAT, đã có người duyệt.

8. Decompose: phân rã bất kỳ việc gì thành workflow

Phân rã là chia một việc lớn thành các bước nhỏ. Đây vừa là kỹ năng quản lý cũ, vừa là kỹ thuật đã được kiểm chứng với AI. Nghiên cứu Least-to-Most của Google cho thấy khi mô hình được hướng dẫn chia bài toán thành bài con và giải lần lượt, trên một bộ bài kiểm tra cụ thể độ chính xác đạt ít nhất 99%, so với 16% khi dùng cách suy luận từng bước thông thường. Con số đó thuộc về một bài kiểm tra hẹp, nhưng thông điệp thì chung: AI ít sai hơn với nhiều bước nhỏ rõ ràng so với một yêu cầu to và mơ hồ, y như nhân viên mới.

Công thức sáu bước cho người không lập trình:

Bước 1. Chọn một việc lặp lại có giá trị rõ, ví dụ “gửi báo cáo bảo trì hằng tháng cho từng khách”.

Bước 2. Tự làm một lần và ghi lại từng thao tác, từng thông tin phải tra, từng quyết định (“nếu khách có hợp đồng thì…”).

Bước 3. Chia thành cây: sự kiện kích hoạt, đầu vào, các bước, điểm rẽ nhánh, đầu ra. Mỗi bước lá chỉ gồm một động từ và một đối tượng, như “lấy danh sách phiếu hỗ trợ tháng này của khách A”.

Bước 4. Gắn nhãn từng bước: việc theo luật (để phần mềm làm), việc cần phán đoán hoặc ngôn ngữ (giao AI), việc cần người duyệt (gửi, trả tiền, xóa, cam kết với khách).

Bước 5. Viết DoD cho đầu ra.

Bước 6. Ghép với mẫu workflow ở mục 5: bước tuần tự thì nối chuỗi, nhiều loại đầu vào thì phân luồng, tra cứu độc lập thì chạy song song, cần chất lượng cao thì viết và chấm.

Anthropic thiết kế Skills cũng theo tinh thần này: mô tả ngắn ở trên, các bước chi tiết bên trong, quy trình con tách ra file riêng. Một SOP được phân rã tốt gần như đã là một skill.

9. Integrated: gắn mọi thứ lại với nhau

Một chatbot chỉ biết nói thì giống đồ chơi. Một agent đọc được hệ thống phiếu hỗ trợ, tra hợp đồng trong CRM và soạn trả lời vào đúng kênh thì mới tiết kiệm được giờ làm thật. Giá trị nằm ở chỗ nối.

Chuẩn kết nối phổ biến hiện nay là MCP, được mô tả như cổng USB-C cho ứng dụng AI: một cách chung để cắm AI vào file, cơ sở dữ liệu và công cụ, được Claude, ChatGPT và nhiều phần mềm khác hỗ trợ. Cuối năm 2025, MCP được chuyển cho một quỹ trung lập thuộc Linux Foundation, với Anthropic, Block và OpenAI đồng sáng lập. Anthropic coi MCP và Skills bổ sung cho nhau: MCP lo phần kết nối, Skills dạy quy trình nhiều bước dùng các kết nối đó.

Thang tích hợp gợi ý cho doanh nghiệp nhỏ: dùng kết nối có sẵn trong Claude hoặc ChatGPT (Google Drive, Gmail, Lịch) trước, rồi đến MCP có sẵn, rồi Zapier hay n8n làm cầu nối cho ứng dụng chưa có kết nối, và chỉ gọi API trực tiếp khi thật cần.

Tích hợp cũng là nơi dễ hỏng nhất. Gartner dự báo hơn 40% dự án agentic AI sẽ bị hủy trước cuối năm 2027 vì chi phí leo thang, giá trị không rõ hoặc kiểm soát rủi ro kém, và cảnh báo tình trạng gắn mác “agent” cho chatbot cũ. Khảo sát của McKinsey năm 2025 cho thấy 62% tổ chức ít nhất đang thử nghiệm agent, nhưng chỉ 23% đang mở rộng ở đâu đó trong doanh nghiệp. Khoảng cách đó thường không nằm ở mô hình, mà ở thiết kế quy trình và kết nối.

Những điểm hỏng hay gặp: không rõ đâu là nguồn dữ liệu chuẩn, cấp quyền quá rộng, không có bước duyệt trước thao tác không đảo ngược được, mô tả công cụ mơ hồ khiến AI gọi nhầm, mã truy cập hết hạn làm luồng gãy âm thầm, chi phí tăng dần vì vòng lặp dài, và không ghi nhật ký nên không ai biết luồng đã hỏng.

10. Brief và PRD: giao việc bằng văn bản

Brief là văn bản ngắn nêu mục tiêu, đối tượng, thông điệp chính, sản phẩm cần bàn giao và thời hạn. Các mẫu creative brief phổ biến đều nhấn mạnh một mục tiêu đo được, vì không có nó thì không ai đánh giá được kết quả. PRD (tài liệu yêu cầu sản phẩm) dài hơn, mô tả cần xây gì và thế nào là thành công.

Từ năm 2025, giới lập trình nói nhiều về “phát triển theo spec”. GitHub ra mắt Spec Kit với bốn pha mô tả, lập kế hoạch, chia việc, thực hiện, mỗi pha có người kiểm tra, với lập luận rằng agent hiểu theo nghĩa đen và yêu cầu mơ hồ buộc nó phải đoán rất nhiều. Nhưng cũng có phê bình đáng nghe: Birgitta Böckeler (Thoughtworks) nhận xét quy trình này quá nặng cho việc nhỏ, và đọc nhiều file mô tả có khi còn mệt hơn đọc kết quả.

Một điểm ít người để ý: AI có xu hướng làm phiên bản nhỏ nhất thỏa yêu cầu, vì nó không thấy kỳ vọng trong đầu bạn. Muốn bản đầy đủ thì phải nói rõ phạm vi.

Thang đo hợp lý theo độ lớn của việc:

Độ lớn	Dùng gì	Gồm những gì
Việc nhỏ	Một yêu cầu cụ thể	Một câu, có nói rõ thế nào là xong
Việc vừa	Brief	Mục tiêu, đối tượng, sản phẩm bàn giao, ràng buộc, mẫu tham chiếu, DoD
Việc lớn	PRD hoặc bản spec	Thêm phạm vi, ngoài phạm vi, tiêu chí chấp nhận, rủi ro

Mục “ngoài phạm vi” và “ràng buộc” đặc biệt quan trọng với AI. Ở Helpdesk Box, một kịch bản video đã được duyệt được dùng làm brief để viết bài blog cùng chủ đề: mục tiêu, thông điệp và giọng văn đã chốt sẵn, agent không phải đoán.

11. Kỹ năng tìm mẫu, chọn mẫu

Bài báo GPT-3 năm 2020 cho thấy mô hình có thể học một nhiệm vụ chỉ từ vài ví dụ đặt trong yêu cầu, không cần huấn luyện lại. Nghiên cứu sau đó còn thú vị hơn: ví dụ dạy mô hình chủ yếu về định dạng và kiểu nội dung, đến mức đổi nhãn đúng sai trong ví dụ một cách ngẫu nhiên cũng gần như không làm kết quả kém đi. Một nghiên cứu khác cho thấy chỉ cần đổi cách chọn ví dụ hay thứ tự ví dụ cũng làm độ chính xác dao động rất mạnh, và mô hình có xu hướng nghiêng theo ví dụ đặt cuối cùng.

Nghĩa là: mẫu là công cụ điều khiển AI mạnh nhất, nhưng AI sẽ chép trung thành cả lỗi của mẫu. Hướng dẫn của Anthropic gọi ví dụ là một trong những cách đáng tin cậy nhất để định hình định dạng, giọng văn và cấu trúc, khuyên dùng 3 đến 5 ví dụ sát thực tế, đủ đa dạng, và tách riêng khỏi phần hướng dẫn. Anthropic cũng khuyên chọn một bộ ví dụ đa dạng, điển hình thay vì nhồi một danh sách dài quy tắc cho mọi trường hợp ngoại lệ. Nếu đã có sẵn file, ảnh chụp hay sản phẩm cũ, đưa thẳng cho AI thay vì mô tả lại.

Tiêu chí chọn một mẫu tốt:

Là sản phẩm thật đã được duyệt hoặc đã dùng thành công.

Sát với việc mới: cùng loại khách, cùng kênh.

Đa dạng nếu dùng nhiều mẫu, đừng đưa năm mẫu giống hệt nhau.

Có ghi chú điểm nào cần giữ (cấu trúc, giọng) và điểm nào không (nội dung cụ thể).

Sạch lỗi, vì lỗi trong mẫu sẽ thành lỗi trong đầu ra.

Ở Helpdesk Box, một bài blog đã duyệt được dùng làm mẫu bố cục cho mọi bài sau. Một mẫu tốt thực ra là tri thức ngầm được đóng gói: nó chứa nhịp văn, mức chi tiết, cách trình bày mà người viết giỏi khó diễn đạt thành quy tắc.

Phần 4. Độc quyền cá nhân

12. Monopoly cá nhân: trở thành người khó thay thế

Peter Thiel, trong Zero to One (2014), lập luận rằng doanh nghiệp muốn giữ được giá trị lâu dài thì nên thoát khỏi cạnh tranh thay vì lao vào nó. “Độc quyền cá nhân” mang ý đó xuống cấp độ một con người. Nó không phải độc quyền theo nghĩa pháp lý hay chèn ép đối thủ, mà là trở thành người khách nghĩ đến đầu tiên cho một vấn đề cụ thể, đến mức họ không cần đi so giá.

Naval Ravikant cung cấp các mảnh ghép. Thứ nhất là “kiến thức đặc thù”: thứ bạn thật sự quan tâm, gắn với hoàn cảnh và con người cụ thể, thường học qua làm thực tế chứ không qua khóa học. Nếu ai cũng được đào tạo để biết nó, bạn sẽ bị thay thế. Thứ hai là sự chân thật: theo Naval, không ai cạnh tranh được với bạn ở việc là chính bạn. Thứ ba là đòn bẩy không cần xin phép như viết, làm video, viết phần mềm. Thứ tư là dám đứng tên chịu trách nhiệm cho kết quả. David Perell gọi tên khái niệm này là Personal Monopoly: sự kết hợp riêng giữa kỹ năng, mối quan tâm và tính cách khiến bạn được biết đến là người giỏi nhất ở một chủ đề hẹp. Jack Butcher (Visualize Value) đẩy thêm một bước: làm một lần, bán nhiều lần, đóng gói hiểu biết thành sản phẩm.

AI thay đổi bức tranh này thế nào? Bằng chứng cho thấy hai chiều. Một nghiên cứu về nhân viên chăm sóc khách hàng ghi nhận AI giúp tăng năng suất khoảng 14% trung bình và 34% với người mới, gần như không giúp người giỏi: kiến thức đã thành quy trình chuẩn thì AI phổ biến rất nhanh. Ngược lại, dữ liệu của Anthropic cho thấy tỷ lệ AI làm thành công giảm từ khoảng 60% với việc dưới một giờ xuống khoảng 45% với việc từ năm giờ trở lên, và các việc như thương lượng, quản lý các bên liên quan, phán đoán chuyên môn ít bị ảnh hưởng hơn. Nói chính xác thì kiến thức đặc thù khó tự động hóa hơn, chứ không phải không thể.

Thứ còn khan hiếm trong thời AI:

Bối cảnh địa phương chưa ai viết ra: khách hàng, hệ thống, lịch sử, các mối quan hệ của bạn.

Khả năng nhận ra khi nào AI sai.

Người dám đứng tên chịu trách nhiệm cho kết quả.

Đây là chỗ cả 12 chủ đề nối lại. Bạn viết tri thức ngầm thành file ghi nhớ, phân rã việc thành workflow, đặt DoD, chọn mẫu. Những thứ đó vừa giúp AI làm đúng, vừa là tài sản riêng mà đối thủ không có. Hướng dẫn “cấu hình tường lửa” là kiến thức chung, AI trả lời được. “Vì sao mạng của đúng công ty này hay rớt vào sáng thứ Hai, và gọi ai ở Việt Nam để xử lý” mới là kiến thức đặc thù.

Ví dụ của chính chúng tôi: series “Mạng đúng chỗ, không thừa không thiếu” là cách Helpdesk Box chọn một ngách hẹp, mạng vừa đủ cho văn phòng nhỏ, thay vì nói chung chung về “dịch vụ IT”.

Gợi ý cho chủ doanh nghiệp: đừng cạnh tranh ở chỗ AI làm cho rẻ đi, hãy cạnh tranh bằng ngách cộng bối cảnh địa phương; ghi lại SOP, sự cố cũ, cấu hình khách thành kho kiến thức nội bộ; viết tình huống thật bằng tiếng Việt. Gợi ý cho nhân viên kỹ thuật: xếp chồng kỹ năng (mạng cộng một ngành cụ thể cộng khả năng giao tiếp cộng khả năng điều khiển AI), giữ nhật ký những sự cố lạ đã xử lý, và trở thành người kiểm tra biết khi nào cấu hình hay câu trả lời của AI là sai. Perell cũng nhắc rằng tìm được ngách của mình thường mất nhiều năm, nên bắt đầu sớm có lợi.

Helpdesk Box làm gì

Helpdesk Box hỗ trợ IT và mạng cho doanh nghiệp nhỏ. Chúng tôi có thể cùng bạn phân rã các quy trình đang làm hằng ngày và chọn ra những việc nên tự động hóa trước.

Nhắn tin cho Helpdesk Box để được khảo sát hệ thống miễn phí.

Khảo sát hệ thống miễn phí Gọi 028 9999 36 89